随着新一代测序技术的高速发展,人们可以在短时间内得到大量的原始生物序列,其中就包含非编码RNA序列。非编码RNA（non-coding RNAs,nc RNAs）,是指不能翻译为蛋白质的RNA,长非编码RNA（long non-coding RNAs,lnc RNAs）是长度大于200个核苷酸的nc RNAs。Lnc RNA在细胞生长凋亡、疾病调控和遗传表达等方面发挥着重要的作用。从海量序列中精准识别出lnc RNA,可以为进一步研究lnc RNA的结构和功能奠定基础。本文选取人类和小鼠的lnc RNAs和蛋白质编码转录本（protein-coding transcripts,PCTs）平衡样本作为实验主数据集,选取果蝇和斑马鱼作为跨物种数据集,构建了基于卷积神经网络（CNN）与图卷积神经网络（GCN）的单模态和多模态模型用于识别lnc RNA。其中,单模态模型包括CNN和GCN模型,CNN模型分别作用于lnc RNA的一级序列和二级结构序列（以下简称CNN-First和CNN-Second）;GCN模型作用于lnc RNA的二级结构平面图。多模态集成模型由CNN-First、CNN-Second和GCN三个模型通过投票的方式集成得到,集成模型可以同时提取lnc RNA的序列信息和平面结构信息。单模态和多模态模型均以五折交叉验证（5-CV）的方式在实验主数据集上进行训练测试,并将跨物种数据集作为独立数据集进行测试。同时,为了验证模型的鲁棒性,构建了基于主数据集的不平衡样本数据集以5-CV的方式进行训练测试。实验结果表明,在主数据集和跨物种数据集上,集成模型识别效果均显著优于单模态模型。其中,集成模型在人类主数据集上ACC值为93.51%,AUC值为96.07%,在小鼠主数据集上ACC值为94.64%,AUC值为95.55%。将集成模型与其他经典的lnc RNA识别方法进行对比,集成模型的识别结果也表现出了一定的优势。综合实验和对比结果,我们认为集成模型在lnc RNA识别问题上具有较高的准确度和可信度。